本文轉載自公眾號“讀芯術”(ID：AI_Discovery)。

在分別經歷過專業數據分析師和數據科學家的職業工作之后，筆者體會到了每個職位的所需經驗和日常感受之間的區別，并且我認為，突出這種關鍵差異是有意義的。

本文希望幫助猶豫不定的你選擇出最適合自己的職位。如果你已經是數據分析師或數據科學家了，也許你會想要轉換到另一個職位，有些人從數據分析師起家，又轉行為數據科學家，還有些人是想從一個非高級數據科學家轉行成為高級數據分析師。

每個職位都有一些重要的概念和總體經驗，在做出下一個重大職業變動時，了解這些都是很重要的。筆者將重點介紹作為數據分析師和數據科學家的感受。根據自身經驗及同行同事的經驗，提出并解答關于這兩個職位的常見問題。

[[335785]]

數據分析師

如果你希望描述過去或當前的數據，同時展示關鍵的發現、變化和趨勢，最后向利益相關者顯示數據，那么數據分析師的職位最適合你。

盡管兩個職位之間有一些重疊的部分,筆者在另一篇文章中(https://towardsdatascience.com/data-science-vs-data-analysis-heres-the-difference-4d3da0a90f4)強調了這兩個職位所需技能之間的差異和相似之處。這里我更想談談和數據科學家相比，做數據分析師是什么感受。

了解自己在該領域的日常期望是很重要的。與典型的數據科學家相比，數據分析師可以期望與不同的人一起工作，以不同的方式更多地進行交流，并且行動更快每個角色給人的感覺可能會大不相同。

下面，筆者將提出一些常見的問題，并作出相應的回答，介紹一些數據分析師的經驗。

(1) 你與誰共事?

你將主要與公司中的利益相關者合作，他們要求你能夠提取數據，有直觀的見解，定期匯報。能通過使用電子郵件、Slack和Jira等工具溝通，可以進行口頭或者數字交流。你將把重點放在人員和業務分析方面，而不是公司的工程和產品部分。

(2) 你與誰分享發現?

你會和領導分享發現。如果你有經理，有時會向他們進行報告，他們會將你的發現轉達給相關的利益相關者。你還可能還要收集需求、制作報告并將其傳達給利益相關人員。

你可以使用Tableau、谷歌Data Studio、Power BI和Salesforce等工具進行報告。這些工具通?？梢赃B接到容易訪問的數據源(如CSV文件)，而有些工具需要使用SQL對數據庫進行高級查詢，進行更多的技術工作。

[[335786]]

圖源：unsplash

(3) 做一個項目需要多快?

你將比數據科學家更快地處理項目。每天可以有多個數據提取查詢或報告，每周可以有更大的可視化和洞察力。由于你通常不是在構建模型和預測，你將更快地扭轉結果，因為它們更具有描述性和即時性。

數據科學家

數據科學家與數據分析師差別很大。雖然這兩個角色之間有重疊工具和語言，但數據科學家能與不同的人一起工作，并花更多的時間研究更大的項目，比如機器學習模型的創建和部署。

數據分析師可能傾向于在項目中單獨工作;例如，使用一個Tableau儀表板來顯示結果可能只需一人，但數據科學家可以結合其他幾個工程師和產品經理來確保模型能夠解決業務問題，并確保代碼是正確的、強大的和有效的。

[[335787]]

圖源：unsplash

(1) 你與誰共事?

與數據分析師不同的是，在某些項目中，你將與利益相關者一起工作，但對于模型及其結果的其他方面，你將求助于數據工程師、軟件工程師和產品經理。

(2) 你和誰分享發現?

你可以與利益相關者分享自己的發現，但也可以與一些需要了解最終產品的工程師分享，例如，他們可以根據你的預測構建UI。

(3) 做一個項目需要多快?

也許這兩種角色在感覺和操作上的最大區別，在于分配給每個項目的時間。雖然數據分析的速度更快，但數據科學家可能需要數周或數月才能完成一個項目。由于存在數據收集、探索性數據分析、基礎模型創建、迭代、模型調優和結果輸出等過程，數據科學模型和項目可能需要更長的時間。

數據分析師和數據科學家可以共享一些常見的工具，如Tableau、SQL甚至Python，但是每個角色積攢到的經驗可能會有很大的不同。

[[335788]]

圖源：unsplash

數據分析師的日常工作包括更多的會議、更多的面對面交流、軟技能和更快的項目周轉;數據科學家的工作可能涉及更長的流程、與工程師和產品經理的交互，總的來說其涉及一個預測模型——可以及時對新的觀察結果或事件進行分類，而數據分析則側重于過去和當前狀態。

不要被它們相似的“外表”迷惑了，職業抉擇，知己知彼很重要。